aigroup-econ-mcp 0.4.0

专业计量经济学MCP工具 - 让大模型直接进行数据分析

aigroup-econ-mcp - 专业计量经济学MCP工具

🎯 专为Roo-Code设计的计量经济学MCP服务 - 提供统计分析、回归建模、时间序列分析，无需复杂环境配置

功能特性

• 📊 描述性统计分析 - 自动计算均值、方差、偏度、峰度等统计量
• 📈 回归分析 - OLS回归、逐步回归、模型诊断
• 🧪 假设检验 - t检验、F检验、卡方检验、ADF检验
• ⏰ 时间序列分析 - 平稳性检验、ARIMA模型、预测
• 🔄 结构化输出 - 完整的Pydantic模型支持
• 🎯 上下文管理 - 进度报告、日志记录、错误处理
• 📁 文件输入支持 - 支持CSV/JSON文件自动解析
• 📊 面板数据分析 - 固定效应、随机效应模型等
• 🤖 机器学习集成 - 随机森林、梯度提升等算法

🚀 快速开始（Roo-Code用户）

一键启动MCP服务

# 使用uvx快速启动（推荐，无需安装）
uvx aigroup-econ-mcp

就这么简单！ MCP服务会自动：

✅ 下载最新版本 ✅ 配置轻量级依赖（仅~50MB） ✅ 启动并连接到Roo-Code ✅ 提供21个专业计量经济学工具

配置Roo-Code

如果需要手动配置RooCode的MCP服务，请在RooCode的设置中添加以下配置：

{
  "mcpServers": {
    "aigroup-econ-mcp": {
      "command": "uvx",
      "args": [
        "aigroup-econ-mcp"
      ],
      "env": {},
      "alwaysAllow": [
        "descriptive_statistics",
        "ols_regression",
        "hypothesis_testing",
        "time_series_analysis",
        "correlation_analysis",
        "panel_fixed_effects",
        "panel_random_effects",
        "panel_hausman_test",
        "panel_unit_root_test",
        "var_model_analysis",
        "vecm_model_analysis",
        "garch_model_analysis",
        "state_space_model_analysis",
        "variance_decomposition_analysis",
        "random_forest_regression_analysis",
        "gradient_boosting_regression_analysis",
        "lasso_regression_analysis",
        "ridge_regression_analysis",
        "cross_validation_analysis",
        "feature_importance_analysis_tool"
      ]
    }
  }
}

配置说明：

• command: 使用uvx运行，无需本地安装
• args: 启动参数
• alwaysAllow: 允许访问的工具列表
• env: 环境变量（可留空）

配置完成后，RooCode将自动连接到aigroup-econ-mcp服务，您可以直接使用以下工具：

工具类别	工具	功能
基础统计	descriptive_statistics	描述性统计分析
	ols_regression	OLS回归分析
	hypothesis_testing	假设检验
	time_series_analysis	时间序列分析
	correlation_analysis	相关性分析
面板数据	panel_fixed_effects	固定效应模型
	panel_random_effects	随机效应模型
	panel_hausman_test	Hausman检验
	panel_unit_root_test	面板单位根检验
时间序列	var_model_analysis	VAR模型分析
	vecm_model_analysis	VECM模型分析
	garch_model_analysis	GARCH模型分析
	state_space_model_analysis	状态空间模型分析
	variance_decomposition_analysis	方差分解分析
机器学习	random_forest_regression_analysis	随机森林回归
	gradient_boosting_regression_analysis	梯度提升树回归
	lasso_regression_analysis	Lasso回归
	ridge_regression_analysis	Ridge回归
	cross_validation_analysis	交叉验证
	feature_importance_analysis_tool	特征重要性分析

📦 安装方式

方式1：uvx（推荐，无需安装）

# 直接运行最新版本
uvx aigroup-econ-mcp

# 或指定版本
uvx aigroup-econ-mcp@1.0.0

优点：

⚡ 快速启动（几秒钟） 🔄 自动获取最新版本 💾 无需本地安装 🎯 轻量级依赖（~50MB，包含统计分析库）

方式2：pip安装

# 基础安装（包含所有计量经济学功能）
pip install aigroup-econ-mcp

# 运行
aigroup-econ-mcp

依赖说明：

• 核心依赖（默认）：pandas, numpy, scipy, mcp, statsmodels, matplotlib
• 扩展依赖：linearmodels（面板数据）, scikit-learn（机器学习）, arch（GARCH模型）
• 轻量级：无需torch或其他重型依赖
• 推荐：直接使用基础安装，包含所有计量经济学功能！

✨ 核心特性

1️⃣ 智能数据分析 ✅ 自动清洗：自动处理缺失值和异常值 ✅ 统计计算：完整的描述性统计量 ✅ 可视化：自动生成图表和报告

2️⃣ 专业回归分析 📊 OLS回归：完整的回归诊断和残差分析 🔧 逐步回归：特征选择和模型优化 📈 模型评估：R²、调整R²、F检验等指标

3️⃣ 假设检验套件 🧪 多样化检验：t检验、F检验、卡方检验、ADF检验 📊 详细报告：统计量、p值、置信区间 💡 结果解读：自动生成检验结论和建议

4️⃣ 时间序列专业工具 ⏰ 平稳性检验：ADF、KPSS等完整检验套件 📈 ARIMA建模：自动定阶和参数估计 🔮 预测功能：点预测和区间预测

5️⃣ 面板数据分析 🏢 固定效应模型：控制个体/时间固定效应 📊 随机效应模型：处理随机效应 🔍 Hausman检验：模型选择 📉 面板单位根检验：面板数据平稳性分析

6️⃣ 机器学习集成 🌳 随机森林：非线性关系建模 🚀 梯度提升：高精度预测 🔗 正则化回归：Lasso/Ridge防止过拟合 🔍 交叉验证：模型性能评估 🎯 特征重要性：变量选择

7️⃣ 文件输入支持 📁 自动解析：支持CSV/JSON文件自动解析 🔄 向后兼容：保持原有直接数据输入方式 ⚙️ 灵活输入：可混合使用文件和直接数据

8️⃣ 结构化输出 📋 Pydantic模型：类型安全的数据结构 📊 丰富格式：表格、JSON、Markdown报告 🎯 错误处理：详细的错误信息和建议

🔧 故障排除

uvx安装卡住

问题：uvx aigroup-econ-mcp 卡住不动

解决：

• 确保使用最新版本
• 检查网络连接
• 尝试清除缓存：uvx --no-cache aigroup-econ-mcp

工具返回错误

问题：统计分析返回NoneType或错误

解决：

• 确保数据格式正确（列表或字典）
• 检查数据中是否有缺失值
• 查看详细错误信息和参数要求

RooCode中无法使用MCP工具

问题：在RooCode中看不到aigroup-econ-mcp工具

解决：

• 确保配置了正确的MCP服务配置
• 检查uvx是否正常工作：uvx --version
• 重启RooCode
• 查看RooCode的MCP服务日志

MCP服务连接失败

问题：MCP服务启动失败或连接超时

解决：

• 检查网络连接
• 尝试使用 uvx --no-cache aigroup-econ-mcp 清除缓存
• 确保Python版本>=3.8
• 查看详细错误日志

📂 项目结构

使用uvx安装运行（推荐）

# 一键安装和运行
uvx aigroup-econ-mcp

# 指定端口运行
uvx aigroup-econ-mcp --port 8080 --debug

# 使用不同的传输协议
uvx aigroup-econ-mcp --transport streamable-http --host 0.0.0.0 --port 8000

本地开发

# 克隆项目
git clone https://github.com/jackdark425/aigroup-econ-mcp
cd aigroup-econ-mcp

# 开发模式运行
uv run aigroup-econ-mcp --port 8000 --debug

# 或使用uvx
uvx -p . aigroup-econ-mcp

与RooCode集成

在RooCode的MCP配置文件中添加：

"aigroup-econ-mcp": {
  "command": "uvx",
  "args": [
    "aigroup-econ-mcp"
  ],
  "alwaysAllow": [
    "descriptive_statistics",
    "ols_regression",
    "hypothesis_testing",
    "time_series_analysis",
    "correlation_analysis",
    "panel_fixed_effects",
    "panel_random_effects",
    "panel_hausman_test",
    "panel_unit_root_test",
    "var_model_analysis",
    "vecm_model_analysis",
    "garch_model_analysis",
    "state_space_model_analysis",
    "variance_decomposition_analysis",
    "random_forest_regression_analysis",
    "gradient_boosting_regression_analysis",
    "lasso_regression_analysis",
    "ridge_regression_analysis",
    "cross_validation_analysis",
    "feature_importance_analysis_tool"
  ],
  "disabled": true
}

📋 工具详细说明

基础统计工具

descriptive_statistics

描述性统计分析工具

参数：

• data: 数值数据列表或字典
• variables: 变量名列表（可选）
• output_format: 输出格式（table/json）
• file_path: CSV/JSON文件路径（可选）
• file_content: CSV/JSON文件内容（可选）

返回：

• 基础统计量（均值、方差、偏度、峰度）
• 数据质量评估
• 可视化图表

ols_regression

OLS回归分析工具

参数：

• y_data: 因变量数据
• x_data: 自变量数据（列表或矩阵）
• feature_names: 变量名称（可选）
• add_constant: 是否添加常数项（默认true）
• output_detail: 输出详细程度（可选）
• file_path: CSV/JSON文件路径（可选）
• file_content: CSV/JSON文件内容（可选）

返回：

• 回归系数和统计显著性
• 模型拟合优度（R²、调整R²）
• 模型诊断（残差分析、异方差检验）
• 预测结果（如果提供预测数据）

hypothesis_testing

假设检验工具

参数：

• data1: 第一组数据
• data2: 第二组数据（可选）
• test_type: 检验类型（t_test/f_test/chi2_test/adf_test）
• alpha: 显著性水平（默认0.05）
• file_path: 文件路径（可选）
• file_content: 文件内容（可选）

返回：

• 检验统计量和p值
• 检验结果和置信区间
• 效应大小和统计功效

time_series_analysis

时间序列分析工具

参数：

• data: 时间序列数据
• analysis_type: 分析类型（stationarity/arima/forecast）
• lags: 滞后期数（默认12）
• forecast_steps: 预测步数（可选）
• file_path: 文件路径（可选）
• file_content: 文件内容（可选）

返回：

• 平稳性检验结果
• ARIMA模型参数
• 预测值和置信区间
• 模型诊断图表

correlation_analysis

相关性分析工具

参数：

• data: 变量数据字典
• method: 相关系数类型（pearson/spearman/kendall）
• plot: 是否生成可视化图表（默认true）
• file_path: 文件路径（可选）
• file_content: 文件内容（可选）

返回：

• 相关系数矩阵
• 显著性检验结果
• 相关性热力图

面板数据分析工具

panel_fixed_effects

固定效应模型分析工具

参数：

• y_data: 因变量数据
• x_data: 自变量数据
• entity_ids: 实体标识符
• time_periods: 时间标识符
• feature_names: 特征名称（可选）
• entity_effects: 是否包含实体效应（默认true）
• time_effects: 是否包含时间效应（默认false）
• file_path: CSV文件路径（可选）
• file_content: CSV文件内容（可选）

panel_random_effects

随机效应模型分析工具

参数：

• y_data: 因变量数据
• x_data: 自变量数据
• entity_ids: 实体标识符
• time_periods: 时间标识符
• feature_names: 特征名称（可选）
• entity_effects: 是否包含实体效应（默认true）
• time_effects: 是否包含时间效应（默认false）
• file_path: CSV文件路径（可选）
• file_content: CSV文件内容（可选）

panel_hausman_test

Hausman检验工具

参数：

• y_data: 因变量数据
• x_data: 自变量数据
• entity_ids: 实体标识符
• time_periods: 时间标识符
• feature_names: 特征名称（可选）
• file_path: CSV文件路径（可选）
• file_content: CSV文件内容（可选）

panel_unit_root_test

面板单位根检验工具

参数：

• data: 时间序列数据
• y_data: 因变量数据（可选）
• entity_ids: 实体标识符
• time_periods: 时间标识符
• feature_names: 特征名称（可选）
• test_type: 检验类型（默认levinlin）
• file_path: CSV文件路径（可选）
• file_content: CSV文件内容（可选）

高级时间序列工具

var_model_analysis

VAR模型分析工具

参数：

• data: 多变量时间序列数据
• max_lags: 最大滞后阶数（默认5）
• ic: 信息准则（默认aic）
• file_path: 文件路径（可选）
• file_content: 文件内容（可选）

vecm_model_analysis

VECM模型分析工具

参数：

• data: 多变量时间序列数据
• coint_rank: 协整秩（默认1）
• deterministic: 确定性项（默认co）
• max_lags: 最大滞后阶数（默认5）
• file_path: 文件路径（可选）
• file_content: 文件内容（可选）

garch_model_analysis

GARCH模型分析工具

参数：

• data: 时间序列数据
• order: GARCH模型阶数（默认(1, 1)）
• dist: 分布类型（默认normal）
• file_path: 文件路径（可选）
• file_content: 文件内容（可选）

state_space_model_analysis

状态空间模型分析工具

参数：

• data: 时间序列数据
• state_dim: 状态维度（默认1）
• observation_dim: 观测维度（默认1）
• trend: 是否包含趋势（默认true）
• seasonal: 是否包含季节性（默认false）
• period: 季节周期（默认12）
• file_path: 文件路径（可选）
• file_content: 文件内容（可选）

variance_decomposition_analysis

方差分解分析工具

参数：

• data: 多变量时间序列数据
• periods: 分解期数（默认10）
• max_lags: 最大滞后阶数（默认5）
• file_path: 文件路径（可选）
• file_content: 文件内容（可选）

机器学习工具

random_forest_regression_analysis

随机森林回归分析工具

参数：

• y_data: 因变量数据
• x_data: 自变量数据
• feature_names: 特征名称（可选）
• n_estimators: 树的数量（默认100）
• max_depth: 最大深度（可选）
• file_path: 文件路径（可选）
• file_content: 文件内容（可选）

gradient_boosting_regression_analysis

梯度提升回归分析工具

参数：

• y_data: 因变量数据
• x_data: 自变量数据
• feature_names: 特征名称（可选）
• n_estimators: 树的数量（默认100）
• learning_rate: 学习率（默认0.1）
• max_depth: 最大深度（默认3）
• file_path: 文件路径（可选）
• file_content: 文件内容（可选）

lasso_regression_analysis

Lasso回归分析工具

参数：

• y_data: 因变量数据
• x_data: 自变量数据
• feature_names: 特征名称（可选）
• alpha: 正则化强度（默认1.0）
• file_path: 文件路径（可选）
• file_content: 文件内容（可选）

ridge_regression_analysis

Ridge回归分析工具

参数：

• y_data: 因变量数据
• x_data: 自变量数据
• feature_names: 特征名称（可选）
• alpha: 正则化强度（默认1.0）
• file_path: 文件路径（可选）
• file_content: 文件内容（可选）

cross_validation_analysis

交叉验证分析工具

参数：

• y_data: 因变量数据
• x_data: 自变量数据
• feature_names: 特征名称（可选）
• model_type: 模型类型（默认random_forest）
• cv_folds: 交叉验证折数（默认5）
• scoring: 评分标准（默认r2）
• file_path: 文件路径（可选）
• file_content: 文件内容（可选）

feature_importance_analysis_tool

特征重要性分析工具

参数：

• y_data: 因变量数据
• x_data: 自变量数据
• feature_names: 特征名称（可选）
• method: 分析方法（默认random_forest）
• top_k: 返回前k个重要特征（默认5）
• file_path: 文件路径（可选）
• file_content: 文件内容（可选）

可用资源

示例数据集

resource://dataset/sample/economic_growth
resource://dataset/sample/stock_returns
resource://dataset/sample/time_series

提示模板

prompt://economic_analysis?data_description=...&analysis_type=descriptive

项目结构

aigroup-econ-mcp/
├── src/aigroup_econ_mcp/
│   ├── __init__.py              # 包初始化
│   ├── server.py                # MCP服务器核心
│   ├── cli.py                   # 命令行入口
│   └── tools/
│       ├── __init__.py
│       ├── statistics.py        # 统计分析工具
│       ├── regression.py         # 回归分析工具
│       ├── time_series.py        # 时间序列工具
│       ├── panel_data.py         # 面板数据工具
│       ├── machine_learning.py   # 机器学习工具
│       └── file_parser.py        # 文件解析工具
├── pyproject.toml               # 项目配置
├── README.md
└── examples/

依赖要求

• Python 3.8+
• pandas >= 1.5.0
• numpy >= 1.21.0
• statsmodels >= 0.13.0
• scipy >= 1.7.0
• matplotlib >= 3.5.0
• mcp >= 1.0.0
• pydantic >= 2.0.0
• linearmodels >= 7.0
• scikit-learn >= 1.0.0
• arch >= 6.0.0

开发

环境设置

# 安装开发依赖
uv add --dev pytest pytest-asyncio black isort mypy ruff

# 运行测试
uv run pytest

# 代码格式化
uv run black src/
uv run isort src/

# 类型检查
uv run mypy src/

# 代码检查
uv run ruff check src/

构建和发布

# 构建包
uv build

# 发布到PyPI
uv publish

许可证

MIT License

贡献

欢迎贡献代码！请查看贡献指南了解详情。

🤝 贡献

欢迎提交Issue和Pull Request！

1. Fork项目
2. 创建功能分支
3. 提交更改
4. 开启Pull Request

📄 许可证

MIT License - 查看 LICENSE 了解详情

🙏 致谢

• Model Context Protocol (MCP) - 模型上下文协议
• Roo-Code - AI编程助手
• statsmodels - 统计分析库
• pandas - 数据处理库
• scikit-learn - 机器学习库
• linearmodels - 面板数据分析库

📞 支持

💬 提交 GitHub Issues 📧 邮件：[e-mail] 📚 文档：查看项目文档和示例

立即开始: uvx aigroup-econ-mcp 🚀